使用Apache Airflow调度Glue任务

Apache Airflow 是Airbnb开源的一款数据流程工具，目前是Apache孵化项目。以非常灵活的方式来支持数据的ETL过程，同时还支持非常多的插件来完成诸如HDFS监控、邮件通知等功能。Airflow支持单机和分布式两种模式，支持Master-Slave模式，支持Mesos等资源调度，有非常好的扩展性。

AWS Glue 是一项完全托管的提取、转换和加载 (ETL) 服务，让客户能够轻松准备和加载数据进行分析。您只需在 AWS 管理控制台中单击几次，即可创建并运行 ETL 作业。您只需将 AWS Glue 指向存储在 AWS 上的数据，AWS Glue 便会发现您的数据，并将关联的元数据（例如表定义和架构）存储到 AWS Glue 数据目录中。存入目录后，您的数据可立即供 ETL 搜索、查询和使用。

AWS Glueb本身已经自带Workflow功能可以调度ETL任务，但某些场景用户希望延续现有Airflow架构来调度AWS Glue，本文就尝试实现了这个基本功能。

准备工作

建立一个Glue任务，完成基本的ETL工作：

安装Airflow

export AIRFLOW_HOME=~/airflow

python3 -m pip install apache-airflow

airflow initdb

airflow webserver -p8080 &

airflow scheduler

安装GlueOperator

根据下面链接要求，需要Python3.6以上版本。

https://github.com/apache/airflow/tree/master/airflow/providers/amazon#installation

python3 -m pip install apache-airflow-backport-providers-amazon

这也意味着Airflow需要使用Python3版本安装，否则无法使用。

创建一个Dag脚本

创建一个glue-jobs.py:

from datetime import datetime

from airflow import DAG

fromairflow.operators.dummy_operator import DummyOperator

from airflow.operators.python_operatorimport PythonOperator

fromairflow.providers.amazon.aws.operators.glue import AwsGlueJobOperator

def print_hello():

   return 'Hello hello!'

dag = DAG('glue_jobs',description='Simple glue DAG',

          schedule_interval=None,

          start_date=datetime(2019, 6, 28),catchup=False)

awsGlueOperator =AwsGlueJobOperator(task_id='glue-job',job_name='beta-glue-4', dag=dag)

hello_operator =PythonOperator(task_id='hello_task', python_callable=print_hello, dag=dag)

awsGlueOperator >>hello_operator